بایگانی برچسب: s

یادگیری ماشین چگونه صنعت کشاورزی را متحول می‌کند؟


یادگیری ماشین در صنعت کشاورزی در انجام کارهایی نظیر اصلاح نژاد گیاهان و تشخیص بیماری و سنجش مواد مغذی خاک کمک می‌کند.

یادگیری ماشین مانند کنترل‌کننده‌ای است که هزاران عامل مختلف را می‌سنجد و با درنظرگرفتن تمامی خطرها، بهترین تصمیم را اتخاذ می‌کند. استفاده از تکنولوژی یادگیری ماشین درحال‌گسترش است و به سایر فناوری‌های مدرن در صنعت کشاورزی برای ارائه‌ی راه‌حل و مقیاس‌های دقیق کمک می‌کند.

درحال‌حاضر، سیستم‌های سنجش ازراه‌دور به‌منظور بهبود مواد مغذی خاک و به‌طور گسترده در ابزارهای تصمیم‌گیری مرتبط‌با کشاورزی به‌کار می‌روند تا درنهایت، محصولات باکیفیت‌تری تولید شوند. این، یعنی هزینه‌های اجرایی و تأثیر محیط‌زیست در کشاورزی کاهش پیدا خواهد کرد.

بااین‌حال، روش‌های مبتنی بر سنجش به اطلاعات زیادی نیاز دارند تا سایر ابزارها از آن استفاده کنند و این همان جایی است که یادگیری ماشین وارد عمل می‌شود. سیستم‌های مبتنی بر یادگیری ماشین مجموعه‌ای از ورودی‌ها را تحلیل و وظایف غیرخطی را مدیریت می‌کنند. تغییرات آب‌وهوا روی عملکرد محصولات در دو دهه‌ی گذشته تأثیر درخورتوجهی گذاشته و حالا می‌توان به کمک یادگیری ماشین این تغییرات را پیش‌بینی کرد.

agriculture

پیش‌بینی بهره‌برداری مزرعه پیش از برداشت محصولات برای سیاست‌گذاران حیاتی است و به مزرعه‌داران در امور مربوط‌به بازاریابی و ذخیره‌سازی کمک می‌کند. این پیش‌بینی‌ها همچنین به سایر فعالان این صنعت یا صنایع دیگر در انجام محاسبات کمک می‌کند. تولید محصول فرایندی پیچیده است که تحت‌تأثیر متغیرهای اقلیمی و کشاورزی است و همچنین متغیرها برای هر کشاورز و در هر مزرعه متفاوت است؛ بنابراین، تهیه‌ی دیتاست برای مزارع وسیع آسان نیست.

این دیتاست‌ها برای پیش‌بینی ترندها و تأثیر آن‌ها در منطقه‌ای خاص استفاده می‌شوند. بنابراین، یادگیری ماشین از الگوریتم‌ها برای تحلیل داده و یادگرفتن از آن‌ها و گرفتن تصمیم‌های آگاهانه بدون کمک انسانی استفاده می‌کند. در سال‌های اخیر، پرورش‌دهندگان گیاهان به‌دنبال روشی بودند که بتواند با درنظرگرفتن شرایط محیطی، آبیاری و تغذیه‌ی مناسب، تغییرات آب‌وهوا و بیماری‌های مخصوص گیاهان بهترین راه‌حل را ارائه دهد.

اینکه گیاهی بتواند با شرایط خاص سازگار شود، باید اصلاح نژاد و دنباله‌ی مناسبی از ژن‌ها در آن جانشین شود. سؤالی که مطرح می‌شود این است که کدام دنباله از ژن‌ها بهترین انتخاب است؟ این، یعنی پرورش‌دهندگان گیاهان باید میلیون‌ها گزینه‌ی مختلف را بررسی کنند تا به بهترین انتخاب برسند. الگوریتم‌های یادگیری عمیق، داده‌های مربوط به بیش از دَه سال گذشته را می‌گیرند و بعد از بررسی دقیق تغییرات آب‌وهوا و عوامل خارج از توان انسان‌ها، ژن‌های لازم برای عملکرد بهتر گیاهان را پیش‌بینی می‌کنند.

agriculture

پرورش‌دهندگان گیاهان با توسعه‌ی یادگیری ماشین می‌توانند محدوده‌ی وسیع‌تری از متغیرها را تحلیل کنند. دانشمندان با استفاده از شبیه‌سازی رایانه‌ای قادرند بهره‌وری محصولات و عملکرد آن‌ها را در شرایط مختلف آب‌وهوایی، الگوهای هوایی، انواع خاک‌ها و سایر عوامل ارزیابی کنند. وقتی بیماری بین گیاهان شایع می‌شود، تشخیص دقیق و زودهنگام بسیاری مهم است. روش‌های سنّتی برای پی‌بردن به بیماری گیاهان، تنها ازطریق مشاهده و معاینه‌ی بصری ممکن است؛ درنتیجه، بیشتر مواقع خطاهای انسانی از تشخیص به‌موقع بیماری‌های گیاهان جلوگیری می‌کند.

این در حالی است که رایانه‌های دقیق و آموزش‌داده‌شده فقط با بررسی الگوها می‌توانند بیماری گیاهان را تشخیص دهند. روش کار این گونه است که هزاران‌هزار عکس باکیفیت از گیاهان بیمار جمع‌آوری می‌شود و الگوریتم‌های یادگیری ماشین با تحلیل عکس‌ها، می‌توانند شدت و نوع بیماری گیاهان را مشخص کنند. احتمال داده می‌شود در آینده‌ی نزدیک، الگوریتم‌های یادگیری ماشین حتی بتوانند با ارائه‌ی راه‌حل مناسب، تلفات ناشی از بیماری را در گیاهان کاهش دهند.

agriculture

یادگیری ماشین در صنعت کشاورزی روند تشخیص بیماری را دقیق‌تر و سریع‌تر می‌کند. کشاورزان می‌توانند عکس‌های تهیه‌شده ازطریق ماهواره‌ها و پهبادها و گوشی‌های هوشمند را آپلود کنند و از نرم‌افزار برای تشخیص بیماری و همچنین بهترین روش مدیریت کمک بگیرند. این ابزار به مدیریت سوءتغذیه و قحطی در سراسر دنیا کمک خواهد کرد. یادگیری ماشین زمان لازم در برنامه‌نویسی سنّتی را کاهش و اجازه می‌دهد رایانه‌ها خودشان را برنامه‌ریزی کنند. به‌طور خلاصه، یادگیری ماشین مانند کشاورزی است: مواد مغذی همان داده‌های اصلی هستند، باغبان همان عامل اجرایی است، دانه‌ها همان الگوریتم‌ها هستند و گیاه همان برنامه است. بنابراین، یادگیری ماشین در انجام کارهای زیر نقش مهمی ایفا می‌کند:

  • زیست‌شناسی محاسباتی و طراحی دارو و پیشنهاد روش درمان
  • اصلاح نژاد و پیداکردن خصوصیات ایده‌آل
  • شناسایی بیماری
  • پیش‌بینی تغییرات آب‌وهوا
  • رباتیک و تراکتورهای خودران
  • ارزیابی مواد مغذی خاک

دیدگاه شما دراین‌باره چیست؟



Source link

یادگیری ماشین در تشخیص عامل اصلی باکتری سالمونلا به کمک دانشمندان می‌آید


دانشمندان با کمک الگوریتم مبتنی بر یادگیری ماشین، گام‌های موفقت‌آمیزی در جهت تشخیص عامل اصلی و منشا باکتری سالمونلا برداشتند.   

امسال، صدها نفر از طریق گوشت آلوده‌ی گاو به باکتری سالمونلا، گیاه kratom، کره‌ی دانه‌ کنجد، حتی کبوترهای خانگی و برخی عوامل دیگر، دچار بیماری اسهال و استفراغ شدند.

معمولا باکتری سالمونلا در روده‌های حیوان قرار دارد. دانشمندان موفق شده‌اند با کمک یادگیری ماشین، متوجه شوند باکتری سالمونلا موجود در مواد غذایی مربوط به روده‌ی کدام حیوان است. در این صورت راحت‌تر و بهتر می‌توانند در برابر اثرات خطرناک و ناخوشایند بیماری‌های مربوط به آن واکنش نشان بدهند. 

محققان دانشگاه جورجیا با همکاری ژیانگو دنگ، الگوریتمی برای تشخیص تفاوت‌های ژنتیکی بین گونه‌های مختلف باکتری سالمونلا طراحی کرده‌اند. معمولا باکتری سالمونلا از طریق چهار میزبان اصلی، خوک، گاو، مرغ و پرندگان وحشی به مواد غذایی منتقل می‌شود. نشریه‌ی Emerging Infectious Diseases، نتایج تحقیق انجام‌شده در مورد الگوریتم تشخیص باکتری سالمونلا را به‌صورت آنلاین منتشر کرد. این تیم تحقیقاتی، الگوریتم تشخیص منشا باکتری سالمونلا را روی ۸ بیماری شایع در طی ۲۰ سال گذشته آزمایش کردند و متوجه شدند که الگوریتم در هفت مورد از میان هشت مورد بیماری، می‌تواند به‌درستی منشا باکتری را شناسایی کند. باوجودی که الگوریتم هنوز نیاز به آموزش بیشتری دارد، اما در همین سطح نیز می‌تواند برای تشخیص عفونت‌های ناشی از باکتری سالمونلا و جلوگیری از انتقال بیماری از طریق مواد غذایی، نقش موثری داشته باشد.

باکتری سالمونلا

مقاله‌های مرتبط:

هر سال، در ایالت متحده‌ی آمریکا، در حدود ۱.۲ میلیون بیمار از طریق باکتری سالمونلا دچار بیماری‌هایی همچون اسهال، تب، دل‌پیچه می‌شوند. همچنین، این باکتری در هر سال منجر به مرگ ۴۵۰ نفر می شود. این باکتری معمولا از طریق فضولات حیوانی شیوع پیدا می‌کند و می‌تواند از طریق پر، خز، محل زندگی، غذا و هر چیز دیگری گسترش پیدا کند. در نتیجه، وقتی به حیوانی که ناقل باکتری سالمونلا است دست می‌زنید، یا حتی دست شما به ظرف غذای حیوان ناقل می‌خورد، در معرض گرفتار شدن به باکتری سالمونلا قرار می‌گیرید.

اگر باکتری سالمونلا در گوشت گاو تشخیص داده شود، احتمالا انتظار دارید که عفونت از طریق گاو منتقل شده باشد. اما این امکان وجود دارد که باکتری سالمونلا در برخی مواد غذایی که حتی فکرش را هم نمی‌کنید، وجود داشته باشد. مثلا ممکن است باکتری سالمونلا در کره دانه‌ی کنجد، گیاه مخدر شاهدانه (کانابیس) و kratom و حتی در cantaloupes باشد. وقتی باکتری سالمونلا در چنین موادی رویت می‌شود، تشخیص منشا اصلی آن کمی پیچیده خواهد شد. هر حیوانی اعم از خزندگان، جوندگان و حتی سگ‌ها ممکن است باعث شیوع باکتری سالمونلا شده باشند. تشخیص منشا باکتری سالمونلا، برای مهار بیماری بسیار مهم است و حتی می‌تواند مانع شیوع بیشتر بیماری شود.

باتوجه به آنچه مطرح شد، تحقیقات انجام‌شده توسط دانشمندان به سرپرستی دنگ، می‌تواند پیشرفت مهمی در این حوزه محسوب شود. باوجودی که الگوریتم مبتنی بر یادگیری ماشینی هنوز نیاز به آموزش بیشتری دارد و تنها چهار عامل اصلی در شیوع باکتری سالمونلا به آن آموزش داده شده است؛ ولی همین قدم‌های اولیه نیز بسیار حائز اهمیت هستند. این الگوریتم، در حال حاضر تنها می‌تواند منشا یک نوع باکتری سالمونلا را تشخیص بدهد، و این در حالی است که باکتری سالمونلا می‌تواند بیش از ۲۵۰۰ منشا متفاوت داشته باشد. نیکی شریعت، استاد دانشکده گتیزبرگ و متخصص باکتری سالمونلا، معتقد است که این تحقیق مبتنی بر یادگیری ماشینی می‌تواند سلاح دیگری در زرادخانه‌ی بهداشت و درمان محسوب شود. البته لازم به ذکر است که وی در تیم تحقیقات این پروژه حضور نداشته است. بخشی از تحقیقات مربوط به شناسایی علل شیوع عامل اصلی باکتری سالمونلا، از طریق مصاحبه با افراد درگیر بیماری تکمیل می‌شود. دانشمندان به‌منظور سرعت بخشیدن به روند کار، از بیماران سوالاتی می‌پرسند؛ مثلا آنها می‌خواهند بدانند که بیمار چه غذاهایی را و در چه زمانی مصرف کرده است.

باکتری سالمونلا

بیل مارلر، یکی از متخصصین بهداشت مواد غذایی معتقد است که اگر ابزاری بتواند عامل بیماری‌زا بودن مواد غذایی را تشخیص دهد، قدم بزرگی در سیاست‌گذاری بهداشت مواد غذایی برداشته خواهد شد. وی معتقد است:

واقعا شگفت‌انگیز است که دانشمندان توانسته‌اند، از طریق توالی کامل ژنوم، عامل اصلی باکتری را شناسایی کنند. اما سوال مهم این است که متخصصین بهداشت مواد غذایی، یا حتی نهادهای قانون‌گذار در حوزه‌ی مواد غذایی، چه راهکاری را برای حل چنین مشکلاتی در پیش خواهند گرفت؟ 

همان‌طور که گفته شد، تیم تحقیقاتی دنگ، با استفاده از یادگیری ماشین در تلاش هستند تا ویژگی‌های ژنتیکی که می‌تواند در تشخیص باکتری سالمونلا موثر باشد را شناسایی کنند. یکی از موضوعاتی که دانشمندان با آن درگیر هستند، این است که وقتی باکتری سالمونلا از طریق میزبانی مثلا خوک منتقل می‌شود، ژنوم آن با گذشت زمان کمی تغییر می‌کند. تیم تحقیقاتی دنگ، درصدد هستند با کمک الگوریتم مبتنی بر یادگیری ماشینی، بتوانند اثر انگشت ژنتیکی باکتری سالمونلا را که از طریق خوک منتقل شده است، شناسایی کرده و این الگوریتم آن‌قدر قوی باشد که بتواند باکتری سالمونلا که از طریق گاو منتقل شده را از خوک تشخیص دهد.

باکتری سالمونلا انواع مختلفی دارد و تیم تحقیقاتی دانشمندان روی یکی از رایج‌ترین گونه‌های سالمونلا به نام تیفی (Typhimurium)‌ که در ایالات متحده‌ی آمریکا از سایر گونه‌ها شایع‌تر است، تمرکز کرده‌اند. این تیم تحقیقاتی تاکنون بیش از ۱۴۰۰ توالی ژنوم تیفی را در سراسر جهان ردیابی کرده‌اند. محققان برای انجام این کار از اطلاعات موجود در پایگاه‌های سلامت عمومی آنلاین نیز کمک گرفته‌اند. در نتیجه محققان نمونه‌های مختلفی از باکتری سالمونلا که از طریق خوک‌ها، گاوها، مرغ و پرندگان وحشی شیوع پیدا کرده بودند در اختیار داشتند تا بتوانند الگوریتم مبتنی بر یادگیری ماشینی را آموزش بدهند. 

باکتری سالمونلا

تیم تحقیقاتی، الگوریتم را با نمونه‌هایی از هشت بیماری شایع که منشا آن حیوانی بوده است، مورد بررسی قرار دادند. الگوریتم تنها با بررسی ژنوم، تونست منشا هفت باکتری سالمونلا را از بین هشت بیماری شایع تشخیص دهد. الگوریتم در شناسایی عامل باکتری سالمونلا از طریق مرغ و گوشت خوک عملکرد خوبی از خود نشان داد. محققان سیر تکاملی باکتری سالمونلا مرتبط با حیوانات را بررسی کردند و متوجه شدند که الگوی جالبی دارد. ظاهرا باکتری سالمونلا در دهه‌ی ۱۹۹۰ در سراسر ایالات متحده شیوع پیدا کرده است. آنها متوجه شدند در آن مقطع زمانی، تولید صنعتی محصولات دامی می‌تواند یکی از دلایل شیوع بیماری‌های مربوط به باکتری سالمونلا باشد. 

باید توجه داشته باشیم که تشخیص دلایل شیوع باکتری سالمونلا یک وجه قضیه است و شناسایی عامل عفونت، وجه دیگر موضوع است. درنتیجه انتظار می‌رود که الگوریتم مبتنی بر یادگیری ماشینی بتواند هر دو زاویه‌ی موضوع را پوشش دهد. در بررسی‌های انجام‌شده برای تشخیص عامل شیوع باکتری سالمونلا مشخص شد که تقریبا در یک سوم موارد، عامل اصلی باکتری گاو، خوک، مرغ و یا پرنده وحشی بوده است. بقیه‌ی موارد تقریبا مبهم بودند. حتی ممکن است که افرادی که دچار بیماری‌های مربوط به باکتری سالمونلا شده باشند، از طریق گونه‌های مختلف میزبان این باکتری شده باشند. دنگ معتقد است:

باکتری سالمونلا ممکن است از طریق میزبان‌های مختلفی منتقل شده باشد و هیچ راهی برای پیش‌بینی منشا و عامل اصلی باکتری وجود ندارد.

در شرایط فعلی و در برخی موارد، ابزار مبتنی بر یادگیری ماشین هم نمی‌تواند منشا اصلی باکتری را شناسایی کند. همان‌طور که گفته شد، الگوریتم تنها روی چهار عامل اصلی متمرکز شده و بالطبع برای شناسایی باکتری سالمونلا که از طریق ماهی یا لاک پشت شیوع پیدا کرده باشد، هنوز آموزش ندیده است. دنگ معتقد است که الگویتم باید برای شناسایی سایر عوامل، آموزش ببیند. وی معتقد است:

در حال بررسی ژنوم‌های بیشتری هستیم و مطمئنا تعداد آنها در طول زمان افزایش خواهد یافت. با اینکه در شرایط فعلی اطلاعات محدودی در این زمینه تهیه شده است، ولی همین اطلاعات کم و ظاهرا محدود، بهتر از نداشتن هیچ‌گونه اطلاعات است. اما باید اعتراف کنیم که هنوز راه زیادی باید برویم و کارهای بسیاری به‌انجام برسانیم. 



Source link

هفت هفته کارآموزی رایگان هوش مصنوعی و مهندسی یادگیری ماشین در رهنما کالج


سلب مسئولیت: دیجیاتو صرفا نمایش‌دهنده این متن تبلیغاتی است و تحریریه مسئولیتی درباره محتوای آن ندارد.

شاید این را تجربه کرده باشید که وقتی به گذشتۀ پشت سرتان فکر می‌کنید یا خاطرات‌تان را مرور می‌کنید، از اینکه بعضی تصمیمات را گرفته‌اید متعجب شوید یا حتی با مرور احساساتی که در گذشته داشته‌ای خنده‌تان بگیرد؛ این اتفاق یک زمان دیگر هم پیش می‌آید؛ وقتی که آلبوم عکس‌های قدیمی را تماشا می‌کنید و به مدل لباس‌ها و آرایش موها می‌خندید؛ تیپ و استایلی که زمانی برای خودش کلی هوادار داشته حالا «اُلدفشن» محسوب می‌شود و اسباب خنده‌تان را فراهم می‌کند. چه موقع دیگری را به یاد می‌آورید که با این احساس آمیخته با شگفتی و طنز مواجه شده باشید؟ ( یک راهنمایی کوچک؛ فیلم‌های علمی-‌ تخیلی قدیمی را به خاطر بیاورید)

وقتی به سیستم‌های کامپیوتری عظیم‌الجثۀ قدیمی فکر می‌کنیم، نمونه‌های اولیۀ ویندوز را به خاطر می‌آوریم یا وقتی که حین خانه‌تکانی چندتا فلاپی یا گوشی موبایل قدیمی پیدا می‌کنیم احساس می‌کنیم چقدر آن زمان علم و تکنولوژی دست و پا بسته بوده و روند تکامل را کُند پیش می‌گرفته است. اگر امروز یک بار دیگر به تماشای فیلم‌های سینمایی دهۀ نود که در ژانر علمی- تخیلی ساخته شده‌بودند، بنشینید؛ تصویرسازی‌های آن به به نظرتان مضحک می‌رسد. احتمالا به تخیل کارگردان و نویسنده می‌خندید و ربات‌هایی با شمایل جاروبرقی، اصلا به نظرتان شگفت‌انگیز نیستند؛ در حالی که آن‌ها در زمانۀ خودشان بسیار نوآور و شگفتی‌آفرین محسوب می‌شدند و نویدبخش فرا رسیدن عصری بودند که در آن تکنولوژی حکم‌فرماست و ربات‌های هوشمند به جای انسان‌ها به ضبط و ربط امور می‌پردازند. بعد از سپری شدن چند دهه ما از تخیلات علمی تخیلی نویسندگان و کارگردان خلاق فراتر رفته‌ایم و از آستانۀ پیشرفت‌های علمی مدنظرشان هم قدمی جلوتر برداشته‌ایم. این روزها داده‌های کلان و اطلاعات  فراگیر سازمان‌ها و کسب‌و‌کارها در فضاهای ابری به اشتراک گذاشته می‌شود و نه تنها ربات‌های هوشمند در عرصه‌های فراوانی به یاری انسان شتافته‌اند که بحث از خانه‌های هوشمند و هوش اشیاء فراگیر شده‌است.

«هوش» دیگر صفت ممتاز انسان‌ها نیست که حساب ما را از سایر مخلوقات و مصنوعات جدا کند. امروز با کمک هوش مصنوعی و Machine Learning ، مهندسان علوم کامپیوتر، تحلیل‌داده، بازاریاب‌ها و … به این توانایی دست یافته‌اند که بتوانند اطلاعات کلان را تفسیر کنند، مخاطبان و مشتریان خود را با دقتی کم‌نظیر و استوار بر پایۀ مشاهدات پیدا کنند، رفتار آن‌ها را تحلیل کنند و به این ترتیب درست‌ترین پیام را بدون خطا به کاربران گروه هدف‌شان برسانند. اگر در سال‌های پیش به خلاق‌ترین سناریونویس‌های علمی- تخیلی این نکته را می‌گفتید که در آینده‌ای نه چندان دور، با بهره گرفتن از هوش ماشین‌ها، بیزنس‌های توانمند به سودهای میلیون دلاری می‌رسند و حتی رئیس جمهورها در انتخابات آرای مردم را با همین روش، به سود خودشان مایل می‌کنند، احتمالا حرف شما را باور نمی‌کردند و به طراحی بشقاب‌پرنده‌های اُلدفشن و آدم‌های مریخی‌ مشغول می‌شدند.





اگر این مقدمه توانسته شما را به فراگیری دانش مهندسی ماشین و کاربرد آن در صنعت علاقمند کند این خبر را به خاطر بسپارید که دورۀ جدید کارآموزی رهنما کالج در رشتۀ مهندسی ماشین و هوش مصنوعی، زمستان امسال برگزار می‌شود. برای ثبت‌نام و اطلاعات تکمیلی در این دوره می‌توانید به سایت رهنما کالج مراجعه کنید و با شرکت در یک آزمون آنلاین، خودتان را در آستانۀ ورود به جهان آینده قرار دهید. دورۀ Machine Learning   رهنما کالج هفت هفته است و با تجربۀ به انجام رساندن یک پروژۀ واقعی، کارآموزان را آمادۀ ورود به صنعت جذاب و شگفت‌انگیز هوش مصنوعی می‌کند.

مهارت‌هایی که در این دوره کسب می‌کنید:

  • مبانی هوش مصنوعی
  • مفاهیم یادگیری ماشین
  • آشنایی با پردازش زبان‌های طبیعی
  • شبکه‌های عصبی و یادگیری عمیق
  • جبر خطی و آمار در یادگیری ماشین
  • کتابخانه‌های پایتون در یادگیری ماشین

دوره‌های کارآموزی رهنما کالج همیشه، رایگان‌اند.

مهلت ثبت‌نام در این دوره:  ۲۹ آذر ۹۷

آزمون ورودی دوره: ۳۰ آذر ۹۷

شروع دوره: ۲۹  دی ۹۷

Rahnemacollege.com

آشنایی بیشتر با رهنماکالج:

درباره ما https://rahnemacollege.com/about

اینستاگرام https://www.instagram.com/rahnemacollege/





Source link

رهنما کالج؛ هفت هفته کارآموزی رایگان هوش مصنوعی و مهندسی یادگیری ماشین


 شاید این را تجربه کرده باشید که وقتی به گذشتۀ پشت سرتان فکر می‌کنید یا خاطرات‌تان را مرور می‌کنید، از اینکه بعضی تصمیمات را گرفته‌اید متعجب شوید.

سلب‌ مسئولیت: تحریریه‌ی زومیت در تهیه‌ این محتوای تبلیغاتی نقش نداشته و مسئولیتی در قبال صحت آن ندارد.

 ممکن است با مرور احساساتی که در گذشته داشته‌اید خنده‌تان بگیرد؛ این اتفاق یک زمان دیگر هم پیش می‌آید؛ وقتی که آلبوم عکس‌های قدیمی را تماشا می‌کنید و به مدل لباس‌ها و آرایش موها می‌خندید؛ تیپ و استایلی که زمانی برای خودش کلی هوادار داشته حالا «اُلدفشن» محسوب می‌شود و اسباب خنده‌تان را فراهم می‌کند.

چه موقع دیگری را به یاد می‌آورید که با این احساس آمیخته با شگفتی و طنز مواجه شده باشید؟ (یک راهنمایی کوچک؛ فیلم‌های علمی-‌ تخیلی قدیمی را به خاطر بیاورید.)

وقتی به سیستم‌های کامپیوتری عظیم‌الجثۀ قدیمی فکر می‌کنیم، نمونه‌های اولیۀ ویندوز را به خاطر می‌آوریم یا وقتی که حین خانه‌تکانی چندتا فلاپی یا گوشی موبایل قدیمی پیدا می‌کنیم احساس می‌کنیم چقدر آن زمان علم و تکنولوژی دست و پا بسته بوده و روند تکامل را کُند پیش می‌گرفته است.

اگر امروز یک بار دیگر به تماشای فیلم‌های سینمایی دهۀ نود که در ژانر علمی- تخیلی ساخته شده‌ بودند، بنشینید؛ تصویرسازی‌های آن به به نظرتان مضحک می‌رسد.

احتمالا به تخیل کارگردان و نویسنده می‌خندید و ربات‌هایی با شمایل جاروبرقی، اصلا به نظرتان شگفت‌انگیز نیستند؛ در حالی که آن‌ها در زمانۀ خودشان بسیار نوآور و شگفتی‌آفرین محسوب می‌شدند و نویدبخش فرا رسیدن عصری بودند که در آن تکنولوژی حکم‌فرماست و ربات‌های هوشمند به جای انسان‌ها به ضبط و ربط امور می‌پردازند.

بعد از سپری شدن چند دهه ما از تخیلات علمی تخیلی نویسندگان و کارگردان خلاق فراتر رفته‌ایم و از آستانۀ پیشرفت‌های علمی مدنظرشان هم قدمی جلوتر برداشته‌ایم.

این روزها داده‌های کلان و اطلاعات  فراگیر سازمان‌ها و کسب‌و‌کارها در فضاهای ابری به اشتراک گذاشته می‌شود و نه تنها ربات‌های هوشمند در عرصه‌های فراوانی به یاری انسان شتافته‌اند که بحث از خانه‌های هوشمند و هوش اشیاء فراگیر شده‌ است.

«هوش» دیگر صفت ممتاز انسان‌ها نیست که حساب ما را از سایر مخلوقات و مصنوعات جدا کند.

امروز با کمک هوش مصنوعی و Machine Learning، مهندسان علوم کامپیوتر، تحلیل‌داده، بازاریاب‌ها و … به این توانایی دست یافته‌اند که بتوانند اطلاعات کلان را تفسیر کنند، مخاطبان و مشتریان خود را با دقتی کم‌نظیر و استوار بر پایۀ مشاهدات پیدا کنند، رفتار آن‌ها را تحلیل کنند و به این ترتیب درست‌ترین پیام را بدون خطا به کاربران گروه هدف‌شان برسانند.

اگر در سال‌های پیش به خلاق‌ترین سناریونویس‌های علمی- تخیلی این نکته را می‌گفتید که در آینده‌ای نه چندان دور، با بهره گرفتن از هوش ماشین‌ها، بیزنس‌های توانمند به سودهای میلیون دلاری می‌رسند و حتی رئیس جمهورها در انتخابات آرای مردم را با همین روش، به سود خودشان مایل می‌کنند، احتمالا حرف شما را باور نمی‌کردند و به طراحی بشقاب‌پرنده‌های اُلدفشن و آدم‌های مریخی‌ مشغول می‌شدند.

 اگر این مقدمه توانسته شما را به فراگیری دانش مهندسی ماشین و کاربرد آن در صنعت علاقمند کند این خبر را به خاطر بسپارید که دورۀ جدید کارآموزی رهنما کالج در رشتۀ مهندسی ماشین و هوش مصنوعی، زمستان امسال برگزار می‌شود.

رهنما کالج

برای ثبت‌نام و اطلاعات تکمیلی در این دوره می‌توانید به سایت رهنما کالج مراجعه کنید و با شرکت در یک آزمون آنلاین، خودتان را در آستانۀ ورود به جهان آینده قرار دهید.

دورۀ Machine Learning رهنما کالج هفت هفته است و با تجربۀ به انجام رساندن یک پروژۀ واقعی، کارآموزان را آمادۀ ورود به صنعت جذاب و شگفت‌انگیز هوش مصنوعی می‌کند.

مهارت‌هایی که در این دوره کسب می‌کنید:

  • مبانی هوش مصنوعی
  • مفاهیم یادگیری ماشین
  • آشنایی با پردازش زبان‌های طبیعی
  • شبکه‌های عصبی و یادگیری عمیق
  • جبر خطی و آمار در یادگیری ماشین
  • کتابخانه‌های پایتون در یادگیری ماشین

رهنما کالج

مهلت ثبت‌نام در این دوره: ۲۹ آذر ۹۷

آزمون ورودی دوره: ۳۰ آذر ۹۷

شروع دوره: ۲۹ دی ۹۷

ثبت‌نام و اطلاعات بیشتر:

Rahnemacollege.com

آشنایی با رهنماکالج:

درباره ما:  https://rahnemacollege.com/about

اینستاگرام:  https://www.instagram.com/rahnemacollege/

تلگرام: http://t.me/RahnemaCollege





Source link

دانلود آهنگ پوریا نتاج به نام ماشین زمان


دانلود آهنگ جدید پوریا نتاج به نام ماشین زمان Download New Music Pouria Nattaj – Mashine Zaman دانلود آهنگ پوریا نتاج به نام ماشین زمان پخش از تهران موزیک متن آهنگ ماشین زمان از پوریا نتاج    

The post دانلود آهنگ پوریا نتاج به نام ماشین زمان appeared first on تهران موزیک ، دانلود آهنگ جدید | TehranMusic.



Source link

یادگیری ماشین به کمک صنعت ساختمان‌ سازی می‌آید


صنعت ساخت‌وساز در جهان با قوانین متعدد محدود می‌شود. در این شرایط، علوم کامپیوتر برای آسان‌ترکردن فرایند ساختمان‌سازی نیز کاربرد خواهد داشت.

ساختمان‌سازی در همه‌ی جهان پیچیدگی‌های فنی و قانونی خود را دارد. درواقع، طراحی و ساختن خانه هیچ‌گاه به‌آسانی آنچه نخواهد بود که در برنامه‌های تلویزیونی ایده‌ی دکوراسیون خانه می‌بینیم. یکی از بخش‌های مهم‌ این پیچیدگی، قوانین و مجوزهای متعدد لازم برای پیش‌تأیید نهایی ساختمان است. این قوانین در کشورهای مختلف و حتی مناطق مختلف هر کشور تفاوت دارند و نیازمند زمان و صبر زیادی هستند.

سازمان‌ها و اداره‌های متعدد خصوصی و دولتی در کشورهای مختلف، قوانین ساخت‌وساز را برای افزایش امنیت ساختمان نهایی تصویب می‌کنند. افراد برای شروع ساخت خانه یا هر ساختمان دیگری، باید زمان زیادی را برای اخذ مجوز و اجرای قوانین و نیز بررسی‌های کارشناسانه‌ی مأموران هر سازمان صرف کنند.

مقاله‌های مرتبط:

در سال‌های دور، ساختن خانه به دشواری امروز نبود. در آن زمان، افراد فقط با داشتن زمین و دردسرهای کمتر و برخی اوقات بدون نیاز به طراح و مهندس خانه می‌ساختند. قوانینی که به‌مرور برای ساختمان‌سازی تصویب شدند، اغلب به افزایش امنیت آن‌ها کمک می‌کنند؛ اما همین قوانین یکی از دلایل افزایش قیمت خانه و ساختمان در کشورهای مختلف، خصوصا کشورهای توسعه‌یافته بوده‌اند.

استارتاپ‌ها که اکثر صنایع سنّتی جهان را هدف ساختارشکنی‌های خود قرار داده‌اند، در صنعت ساختمان نیز وارد می‌شوند. برخی از شرکت‌های نوپا در کشورهایی همچون آمریکا، چشم‌انداز اصلی خود را روی ساده‌سازی قوانین و ساخت هرچه بهتر خانه‌ها استوار کرده‌اند. شاید در آینده‌ی نزدیک، صنعت‌ ساختمان‌سازی به‌همان اندازه که به مصالح اولیه نیاز دارد، به یادگیری ماشین و کامپیوترها نیز نیاز داشته باشد.

3D printed house- living in nature

قوانینی که به مانع تبدیل شدند

شهرها زمانی تمام جنبه‌های طراحی و ساخت خانه را به‌صورت قوانین و دستورالعمل برای شهروندان ارائه می‌کردند. قانون‌گذاران این پیش‌نیازها را براساس عواملی همچون جنس خاک و آب‌وهوا و خطرهای ساختمان‌سازی در همان منطقه تدوین می‌کردند. پس از مدتی، سازمان‌های قانونی در ابعاد بزرگ‌تر مانند استان و ایالت و نیز شرکت‌های خصوصی و بیمه نیز قوانین مخصوص خود را در این بخش تدوین کردند.

تعدد سازمان‌های درگیر در فرایند ساختمان‌سازی و قوانین پیچیده‌ی آن‌ها، دشواری طراحی و ساخت خانه‌ها را دوچندان می‌کند. این قوانین در برخی مواقع برای تقسیم‌بندی‌های کوچک‌تر شهری اختیاری هستند؛ اما در برخی مواقع دیگر، قوانین شهرهای کوچک با استان یا ایالت سازگاری ندارد.

دستورالعمل‌های ساختمان در شهرها و مناطق مختلف تفاوت و تداخل دارند

برای درک کلی درباره‌ی پیچیدگی و دشواری قوانین شهری، شهر نیویورک را درنظر بگیرید. دستورالعمل ساختمان‌سازی در این شهر، پنج بخش دارد که از ۷۶ فصل و ۳۵ پیوست و ۶۷ به‌روزرسانی در تاریخ‌های مختلف تشکیل می‌شود. این قوانین به‌صورت کتابی ۱۵۵دلاری در آمریکا فروخته می‌شوند.

به‌هرحال پیچیدگی‌های مذکور، دشواری‌های متعددی برای مردم ایجاد می‌کند. قوانین ساختمان‌سازی در شهرهای مختلف باهم متفاوت هستند و برخی اوقات، هم‌پوشانی یا تداخل نیز وجود دارد. به‌عنوان مثال، شاید ساختن خانه در شهری ازلحاظ قانونی منعی نداشته باشد؛ اما در شهری دیگر، قوانین بخش‌هایی از طراحی آن را منع کنند.

design

بخش‌هایی از پیچیدگی‌های ساختن خانه در همه‌جای جهان اجتناب‌ناپذیر هستند. برای نمونه، یکپارچگی زیرساختی خانه وابستگی زیادی به همه‌ی بخش‌های آن از دیوارها تا فرسایش خاک و حتی جریان باد دارد. همچنین، تعداد زیادی مواد و فناوری در ساختمان‌سازی به‌کار می‌رود که همیشه در‌حال‌پیشرفت و تغییر هستند.

ترکیب پیچیدگی‌های متعدد قانونی و فنی، طراحی و ساخت خانه را به فرایندی متشکل از تصمیم‌گیری‌های متعدد تبدیل کرده است. در این فرایند، باید پیچیدگی‌های مختلف را شبیه‌سازی کرد تا علاوه‌بر رعایت دستورالعمل‌ها، بازدهی مالی و کارایی خانه نیز لحاظ شود. درنتیجه، افراد برای ساخت خانه به مشاورانی مراجعه می‌کنند که دستمزدهای عموما هنگفتی درخواست خواهند کرد. این مشاوران طراحی براساس پیش‌نیازهای مذکور را تضمین می‌کنند؛ اما ازلحاظ مالی برای سازنده‌ی خانه به‌صرفه نیستند.

در روند ساخت خانه چالش‌های متعدد بازطراحی و بازسازی مطرح می‌شوند

پس از رفع موانع اولیه‌ی طراحی، نوبت به ساخت خانه می‌رسد که آن‌هم دشواری‌های خاص خود را دارد. در این مسیر، مشکلات مختلف بُروز پیدا می‌کنند. به‌عنوان مثال، می‌توان به درخواست‌های مأموران قانون مبنی بر طراحی مجدد یا بازسازی، تأخیر در تحویل و… اشاره کرد که قطعا بازهم ازلحاظ مالی برای سازنده به‌صرفه نیست.

استارتاپ‌هایی در مسیر تسهیل خانه‌سازی

شرکت‌های نوپا در کشورهای مختلف، برای حل مشکلات خانه‌سازی شروع به‌کار کرده‌اند. درواقع، ناکارآمدی و دشواری و مشکلات متعدد قانونی، استارتاپ‌ها را برآن داشته تا مشکلات مردم را با استفاده از نرم‌افزار حل کنند. آن‌ها قوانین ساختمان‌سازی را به‌صورت مستقیم در نرم‌افزارهای خود وارد و بخش‌های مختلفی از فرایند را تسهیل می‌کنند.

Machine Learning Can Boost Marketing

برخی از استارتاپ‌های صنعت ساختمان، از یادگیری ماشینی در پلتفرم‌های خود استفاده می‌کنند. این پلتفرم‌ها، سناریو‌های مختلف را درباره‌ی قوانین بررسی می‌کنند و بهترین طراحی را به مشتری پیشنهاد می‌دهند. درواقع، پلتفرم با یادگیری قوانین انواع طراحی را برای سازگاری با آن‌ها بررسی می‌کند تا مشتری نیازی به مطالعه و یادگیری تک‌تک آن پیش‌نیازها نداشته باشد.

استارتاپ Cover نمونه‌ای از شرکت‌های نوپا در صنعت ساختمان است. این استارتاپ در بخش خانه‌های پیش‌ساخته فعالیت می‌کند و با بررسی قوانین محلی، طراحی و ابعاد حیاط پشتی را در مناطق مختلف به کاربران پیشنهاد می‌دهد.

استارتاپ‌های متعددی در این صنعت حضور دارند که در طراحی و ساخت ساختمان‌های بزرگ‌تر به مشتریان کمک می‌کنند. برای مثال، استارتاپ Cove.Tool قوانین بخش انرژی را برای ساختمان‌ها تحلیل می‌کند. قوانین انرژی براساس منطقه‌ی ساخت و شرایط ساختمان متغیر هستند. سرویس‌های استارتاپ با تحلیل تمام این ورودی‌ها، بهترین انتخاب را برای بهره‌وری حداکثری از انرژی درکنار سازگاری با قوانین پیشنهاد می‌دهد.

فناوری‌های جدید و شرکت‌هایی که آن‌ها را به‌کار می‌گیرند، پا را از آسان‌سازی رعایت قوانین ساختمان‌سازی فراتر گذاشته‌اند. دستورالعمل‌های بخش‌بندی ساختمان و تقسیمات شهری نیز بخش دیگری است که استارتاپ‌هایی همچون Envelope برای مشتریان انجام می‌دهند.

درنهایت، باید به این نکته اشاره کرد که قوانین و دستورالعمل‌های خانه‌سازی به‌خودی‌خود ایرادی ندارند. درواقع، تمامی این قوانین برای امن‌ترشدن و سازگارترشدن ساختمان‌ها تدوین شده‌اند. دراین‌میان، سؤال مهم آن است که چرا پیچیدگی قوانین و هم‌پوشانی آن‌ها به‌حدی می‌رسد که برای رعایت به هوش مصنوعی و ابرکامپیوتر نیاز داریم؟



Source link

دانلود آهنگ شاد قدیمی برای ماشین


این مطلب از وب سایت دانلود آهنگ جدید | اس موزیک به صورت رپ انتشار گردید است.

دانلود آهنگ شاد قدیمی

آهنگ شاد قدیمی دهه ۶۰ برای ماشین

ترانه های قدیمی ، آهنگ قدیمی ، آهنگهای قدیمی

ترانه های قدیمی ، آهنگ قدیمی ، آهنگهای قدیمی

دانلود آهنگ شاد قدیمی برای ماشین

دانلود آهنگ بیس دار ۱

دانلود آهنگ بیس دار۲

دانلود آهنگ ریمیکس بیس دار۳

دانلود آهنگ ریمیکس بیس دار۴

دانلود آهنگ ریمیکس بیس دار۵

دانلود آهنگ ریمیکس بیس دار۶

دانلود آهنگ ریمیکس بیس دار۷

دانلود آهنگ ریمیکس بیس دار۸

دانلود آهنگ ریمیکس بیس دار۹

دانلود آهنگ ریمیکس ماکان بند به نام دلگیری

دانلود آهنگ ریمیکس مازیار فلاحی و دی جی نوید به نام دست بزن

دانلود آهنگ ریمیکس مسعود صادقلو به نام آخر شب

دانلود آهنگ ریمیکس شهاب مظفری به نام مگ دیونه

دانلود آهنگ ریمیکس یاسین ترکی

دانلود آهنگ ریمیکس صالح رضایی به نام مال منه

دانلود آهنگ بهنام بانی به نام قرص قمر

دانلود آهنگ ریمیکس پازل بند و دلارام و حمید هیراد و دی جی ویکولو

دانلود آهنگ ریمیکس رضا صادقی به نام مرد دیونه

دانلود آهنگ ریمیکس میثم ابراهیمی به نام نفس عمیق

دانلود آهنگ ریمیکس زانیار و دی جی مهرداد به نام بدون تو

.

.

دانلود آهنگ امید جهان دل دل

http://dl4.smusic.ir/saal/97/9/Omid-Jahan-Del-Del.mp3

.

.

آهنگ سه برادر خداوردی خوشگل لعنتی

دانلود آهنگ سه برادر خداوردی خوشگل لعنتی

http://dl3.smusic.ir/saal/97/09/3%20Baradar%20Khodaverdi%20Ft%20Esfandiyar%20-%20Khoshgele%20Lanati.mp3

.

.

آهنگ امید جهان بختیاری ها

دانلود آهنگ امید جهان بختیاری ها

http://dl3.smusic.ir/saal/97/09/Omid%20Jahan%20-%20Bakhtiariha.mp3

.

.

برای دانلود ریمیکس شاد رادیو جوان ۲۰۱۸ کلیک کنید.

نوشته دانلود آهنگ شاد قدیمی برای ماشین اولین بار در وبسایت اس موزیک پدیدار شد.



Source link

دانلود انیمیشن ماشین کوچولوهای بامزه دوبله فارسی


دانلود انیمیشن ماشین کوچولوهای بامزه دوبله فارسی و کیفیت HD

دانلود انیمیشن ماشین کوچولوهای بامزه با دوبله فارسی, دانلود انیمیشن ماشین کوچولوهای بامزه با دوبله فارسی،دانلود انیمیشن ماشین کوچولوهای بامزه , دانلود انیمیشن ۲۰۱۹، دانلود انیمیشن، دانلود انیمیشن دوبله

کیفیت HD 720p – سانسور شده

دانلود انیمیشن توت فرنگی کوچولو کمک به دوستان دوبله فارسی

دانلود انیمیشن ماشین کوچولوهای بامزه

این انیمیشن دوبله فارسی و سانسور شده و هیچ گونه صحنه غیر اخلاقی و مغایر با شئونات اسلامی ندارد

نام اثر: ماشین کوچولوهای بامزه

کیفیت: HD 720p

ژانر: انیمیشن

مخاطب: کودک و نوجوان

محصول:امریکا

زبان: فارسی (دوبله)

کارگردان:

سال تولید:

مدت زمان: ۵۳ دقیقه

داستان انیمیشن: ژنرال تصمیم می گیرد علیه ماشین کوچولوهای بامزه نقشه ای کشیده و انها را به تله بیاندازد و آنها را به موجوداتی ابر جنگجو و بدجنس تبدیل کند…

نوشته دانلود انیمیشن ماشین کوچولوهای بامزه دوبله فارسی اولین بار در آپ تی وی. پدیدار شد.



Source link

بهبود تصویربرداری حالت پرتره در پیکسل ۳ و پیکسل ۳ ایکس ال با یادگیری ماشین


گوگل با استفاده از یادگیری ماشین، تصویربرداری حالت پرتره را در گوشی‌های پیکسل ۳ و پیکسل ۳ ایکس ال بهبود بخشیده است. 

گوشی‌های هوشمند پیکسل ۳ و پیکسل ۳ ایکس ال از بهترین سیستم‌های دوربین موجود در گوشی‌های هوشمند امروزی برخوردار هستند. در حالی که گوگل در هر دو گوشی هوشمند، تنها یک دوربین در پنل پشتی قرار داده است و بدون وجود دوربین ثانویه، هر دو با استفاده از نرم‌افزار و سایر ترفندهای پردازش تصویر، اثر بوکه را در حالت پرتره به‌خوبی ایجاد می‌کنند.

گوگل در پست وبلاگ خود اعلام کرد که چگونه توانسته است عمق تصویر را در گوشی‌ Pixel 3، بدون استفاده از دوربین ثانویه اندازه‌گیری کند. سال گذشته‌ی میلادی، گوگل در گوشی‌های هوشمند Pixel 2 و Pixel 2 XL از فوکوس تشخیص فاز (PDAF) استفاده کرد که اتوفوکوس با دوربین دوگانه نیز نامیده‌ می‌شود و برای گرفتن تصاویر پرتره در نسل دوم گوشی‌های پیکسل، از الگوریتم استریوی سنتی غیریادگیرنده (traditional non-learned stereo) استفاده کرد.

پیکسل 3 گوگل

مقاله‌های مرتبط:

PDAF دو نمای نسبتا متفاوت از یک صحنه‌ی مشخص را تهیه می‌کند که باعث ایجاد اثری به نام اختلاف منظر (parallax) در تصاویر گرفته‌شده می‌شود و با استفاده از اختلاف منظر، می‌تواند اثر بوکه را روی تصویر نشان دهد. کاربران گوشی‌‌های مدل ۲۰۱۷، می‌توانستند تصاویر پرتره‌‌ی عالی که پس‌زمینه‌ی آن‌ها به‌خوبی حالت تاری را نشان می‌دهد، بگیرند. همچنین امکان تغییر شدت تار شدن پس‌زمینه در اختیار کاربران قرار داده شده بود. گوگل در گوشی‌های Pixel 3 و Pixel 3 XL در نظر داشت که امکان گرفتن تصاویر پرتره‌ی بهتر را تقویت کند.

در حالی که فوکوس تشخیص فاز (PDAF) به‌خوبی عمل می‌کند، عواملی هم وجود دارد که می‌تواند منجر به بروز خطاهایی در تخمین عمق تصویر در مدل‌های پیکسل ۳ شود. با استفاده‌ی نشانگر defocus depth، گوگل بین تصاویر گرفته‌شده در حالت بدون فوکوس پس‌زمینه و تصاویر گرفته‌شده در حالت فوکوس‌، مقایسه انجام می‌دهد. همچنین نشانگر semantic نیز تعداد پیکسل‌های تصویر چهره‌ی سوژه را می‌شمارد و می‌تواند به‌عنوان مقیاسی برای دور یا نزدیک‌بودن فرد به دوربین در نظر گرفته شود. 

گوگل برای ترکیب نتایج خروجی این نشانگرها، نیاز به ایجاد الگوریتمی مبتنی بر یادگیری ماشین دارد تا در نهایت بتواند برآورد دقیق‌تری از عمق تصویر در اختیار داشته باشد؛ برای انجام این کار نیز، گوگل نیاز به آموزش دادن شبکه‌ی عصبی دارد.

پیکسل 3 گوگل

در راستای محقق شدن این موضوع، نیاز به تعداد زیادی تصویر PDAF با عمق‌های مختلف و البته با کیفیت بالا وجود داشت. به‌همین منظور، گوگل شرایطی را فراهم کرد که بتواند از طریق پنج گوشی پیکسل ۳ به‌صورت همزمان تصویربرداری کند. با استفاده از اتصال وای‌فای، تصاویر هر پنج دوربین، به‌صورت همزمان و با تاخیر زمانی تقریبا ۲ میلی‌ثانیه نسبت به یکدیگر، گرفته شدند. پنج تصویر گرفته‌شده، تفاوت‌های مربوط به عمق تصویر را به‌خوبی نشان می‌داد و نتایج کمک می‌کرد تا اطلاعات دقیق‌تری در مورد عمق تصویر در اختیار الگوریتم مبتنی بر یادگیری ماشین گوگل قرار گیرد. گوگل اعلام کرد:

برای سنجش عمق تصویر مبتنی بر یادگیری ماشین، کاربران باید در گرفتن عکس با گوشی پیکسل ۳، سرعت عمل داشته باشند و نباید برای گرفتن عکس‌های حالت پرتره زمان زیادی را صرف کنند. برای آنکه عمق تصویر به‌خوبی اندازه‌گیری شود و برای استفاده از نشانگرهای  parallax و defocus، باید عکس با رزولوشن بالا گرفته شود تا بتوانیم تصاویر چند مگاپیکسلی PDAF را در اختیار داشته باشیم. برای اطمینان از سرعت عمل، می‌توان از TensorFlow Lite کمک گرفت که راهکاری پلتفرمی برای اجرای مدل‌های مبتنی بر یادگیری ماشین در دستگاه‌های گوشی هوشمند و دستگاه‌های امبدد و واحد پردازشگر تصویر قدرتمند پیکسل ۳ برای محاسبه‌ی سریع عمق، با وجود داده‌های غیر طبیعی بزرگ است. در نهایت خروجی نهایی و عمق تصویر نمایش‌داده‌شده، حاصل استفاده از فیلترهای مختلف شبکه‌ی عصبی است که قسمت‌های مختلف تصویر را تشکیل می‌دهد و نتیجه‌ی نهایی، تصویری با حالت پرتره فوق‌العاده زیبا خواهد بود. 

گوگل همچنان از دوربین‌های پیکسل برای فروش گوشی‌های خود در بازار استفاده می‌کند. مجموعه‌ای از ویدئوها تحت عنوان Unswitchables، نشان می‌دهد که دارندگان گوشی‌های مختلف در حال تست پیکسل ۳ هستند تا ببینند در نهایت آیا تغییری در گوشی آن‌ها رخ داده است یا خیر. در ابتدا، اکثر این افراد می‌گفتند که تغییری انجام نخواهند داد، ولی در پایان هر ویدئو از دوربین و ویژگی‌های گوگل پیروزمندانه صحبت می‌کنند. 



Source link

ساپیا و ماشین سازی به مساوی رضایت دادند



سایت خوان روزنامه دنیای اقتصاد


تاریخ انتشار :